Penentuan Nilai Stabilitas Marshall Dengan Menggunakan Artificial Neural Network Chapter III V

(1)

BAB III

METODOLOGI PENELITIAN

III.1 Diagram Alur (Flowchart)

Pelaksanaan penelitian ini, memerlukan banyak hal yang harus

diperhatikan sebagai persiapan dalam melakukan penelitian. Tujuannya agar

memperkecil (meminimalisir) kesalahan dalam pengerjaan dari awal hingga akhir.

Metode penelitian disusun untuk memberikan kemudahan dalam pelaksanaan

sebuah penelitian sehingga berjalan lebih tepat efektif dan efisien. Tahapan

prosedur pelaksanaan ini tergambar dalam suatu bagan alir metode penelitian

yang terdapat pada gambar 3.1. Pengambilan data pada penelitian ini dilakukan di

Laboratorium Jalan Raya AMP Karya Murni Patumbak. Bahan-bahan yang

diambil berupa data agregat, stabilitas marshal dan kadar aspal yang diambil dari

PT. Karya Murni Perkasa, Patumbak.

Sesuai dengan bagan alir dibawah, cara dalam pengambilan data dilakukan

pada Pabrik Asphalt Mixing Plant, PT. Karya Murni Perkasa dengan mengambil

data marshall test dan data extraction test. Dan program Artificial Neural Network

digunakan untuk mencari nilai stabilitas marshall dari masing – masing sistem

(2)

Mulai

Studi Literatur

Pemilihan Lokasi AMP

Pengumpulan Data Dari AMP Karya Murni, yaitu:

 Data Nilai Marshall Test:

1. Persentase Agregat Lolos

Ayakan 200, 50, 30, 8, 4 dan ½ inch

2. Persentase Agregat Pecah

3. Stabilitas Marshall

 Data Nilai Extraction Test:

1. Kadar Aspal

(3)

Gambar 3.1 Diagram Flowchart

Mengelompokkan Data Input:

 Persentase Agregat Lolos

Ayakan 200, 50, 30, 8, 4 dan ½ inch

 Persentase Agregat Pecah

 Kadar Aspal

Mengelompokkan Data Output:

 Stabilitas Marshall

Kesimpulan Dan Saran

Selesai

Pengolahan Data Stabilitas Marshall dengan Program Artificial Neural Network

Perbandingan Stabilitas Marshall AMP Karya Murni dengan Artificial

Neural Network Praproses Data

(4)

III.2 Persiapan Penelitian

Tahap yang pertama dilakukan adalah pemeriksaan properties aspal beton

dengan pen.60/70 dan agregat yang digunakan. Semua pengujian sesuai dengan

standar pengujian bahan yang mengacu pada SNI (Standart Nasional Indonesia)

dan ASTM (American Society For Testing Material). Untuk pengujian bahan

bitumen atau aspal, pada penelitian ini digunakan aspal penetrasi 60/70 dari Iran

yang di dapat dari AMP Karya Murni Perkasa.

Cara pengumpulan data:

 Data yang diambil pada AMP tersebut adalah data:

 Persentase agregat lolos ayakan nomor 200, 50, 30, 8, 4 dan

½ inch.

 Persentase agregat hancur.

 Kadar aspal

 Stabilitas marshall.

 Sampel yang diambil sebanyak 110 sampel.

III.3 Pengembangan Model Artificial Neural Network

Stabilitas marshall dari sebuah campuran aspal beton bergantung pada

berbagai jenis kriteria, termasuk bentuknya, gradasi agregat, dan tipe aspal. Untuk

mengembangkan model ini, harus memiliki data input dan data output. Adapun

data input-nya, yaitu:

(5)

Dan sebagai data output-nya yaitu:

 Stabilitas marshall.

Sebelumnya, nomor neuron lapisan input adalah 8 dan neuron lapisan

output adalah 1. Fungsi aktivasi yang digunakan adalah fungsi aktivasi tangent

sigmoid untuk neuronhidden layer dan fungsi aktivasi linier untuk output layer.

Data input dan output telah di normalisasi antara -1 dan 1 untuk meningkatkan

keberhasilan dari jaringan.

Dalam rangka menginvestigasi nilai optimum dari neuron hidden layer,

kemampuan penyamarataan jaringan telah diperkirakan. Berdasarkan pelatihan

error yang berbeda pada setiap jaringan, dengan sebuah nilai yang ditetapkan

pada hidden layer. Pada penelitian ini ditetapkan neuron 3, 6, 8 dan 10 yang

digunakan pada hidden layer.

Nilai optimum pada hidden layer didapatkan dengan cara memasukkan

nilai – nilai parameter yang telah ditentukan, kemudian men-train data input dan

data output. Terdapat dua parameter yang digunakan, yaitu:

1. Parameter untuk membuat jaringan.

Yang terdiri dari:

 Tipe Jaringan (network type)

 Fungsi Pelatihan (training function)

 Fungsi Penyesuaian (adaption learning function)

 Fungsi Hasil (performance function)

 Nomor Lapisan (number of layers)

(6)

 Nomor neuron (number of neurons)

 Fungsi Aktivasi (transfer function)

2. Parameter untuk melatih jaringan.

Yang terdiri dari:  Show Window

 Show Command Line  Show

Nilai – nilai yang digunakan pada parameter tersebut dibagi 2, yaitu

dengan nilai asumsi yang mengarah ke pengurangan tingkat error dan nilai

default yang memang sudah ada pada program.

Pengolahan data dilakukan dengan menggunakan parameter-parameter

yang akan mengarah pada pengurangan tingkat error. Karena semakin kecil

tingkat error yang terjadi akan membuat hasil prediksi semakin mendekati

(7)

BAB IV

HASIL DAN PEMBAHASAN

IV.1 Persiapan Data

IV.1.1 Data Marshall Test dan Extraction Test

Data Marshall Test dan Extraction Test merupakan data utama yang

diperlukan pada penelitian ini. Data ini digunakan untuk menjalankan program

Artificial Neural Network dengan cara mengelompokkan data menjadi dua bagian

yaitu data input dan data output. Data Marshall Test dan Extraction Test yang

digunakan adalah data persentase agregat yang lolos ayakan No. 200, 50, 30, 8, 4

dan ½ inch, persentase agregat hancur, stabilitas marshall dan kadar aspal.

Adapun datanya dapat dilihat pada lampiran.

Dalam melakukan penelitian ini, data yang digunakan harus terlebih

dahulu dikelompokkan menjadi data input dan data output. Program Artificial

Neural Network memiliki prosedur yang harus ditaati, sehingga proses

pengolahan data yang dilakukan dapat mencapai suatu hasil yang diinginkan.

Adapun data yang dikelompokkan dalam data input dan data output yaitu:

1. Data input

 Persentase agregat yang lolos ayakan No. 200, 50, 30, 8, 4, dan ½ inch

(8)

 Kadar aspal

2 Data output

 Stabilitas Marshall

IV.2 Perhitungan Nilai Stabilitas Marshall Dengan Program Artificial Neural

Network

Pada penelitian ini akan dilakukan perhitungan nilai stabilitas marshall

dengan menggunakan program Artificial Neural Network. Perhitungan nilai

stabilitas marshall ini akan menggunakan langkah-langkah perhitungan yang

berdasarkan proses pengelolaan data pada program Artificial Neural Network.

Data dikelola dengan menggunakan berbagai macam jenis nilai neuron yang

terdapat pada Hidden Layer dan berbagai jenis parameter fungsi dan nilai.

IV.2.1 Variasi Parameter Untuk Desain Artificial Neural Network

Dalam perencanaan ini ada beberapa parameter desain yang divariasikan

yaitu berupa parameter untuk membuat jaringan dan parameter nilai untuk melatih

jaringan. Sebelum data di input dan target yang diimplementasikan ke dalam

jaringan saraf tiruan harus terlebih dahulu memasukkan nilai

parameter-parameternya. Definisi dari parameter-parameter tersebut telah dijelaskan pada

Bab sebelumnya, pada Bab II. Adapun parameter-parameter beserta nilai yang

digunakan baik dalam keadaan default maupun dalam keadaan penyesuaian

jaringan, yaitu:

1. Parameter untuk membuat jaringan.

(9)

Pada penelitian ini digunakan tipe jaringan feed forward

backpropagation.

 Fungsi Pelatihan (Training Function)

Pada penelitian ini digunakan fungsi pelatihan trainlm atau train

Levenberg Marquardt Backpropagation.

 Fungsi Penyesuaian Pembelajaran (Adaption Learning Function)

Pada penelitian ini digunakan fungsi penyesuaian pembelajaran

LEARNGDM.

 Fungsi Hasil (Performance Function)

Pada penelitian ini digunakan fungsi MSE (Mean Square Error)

 Nomor pada lapisan (Number of Layers)

Pada penelitian ini digunakan nomor pada lapisan 1.

 Bagian (Properties for)

Pada penelitian ini digunakan bagian pada Layer 1.

 Nomor pada neuron (Number of neuron)

Pada penelitian ini digunakan neuron yang bervariasi, yaitu neuron

3, 6, 8 dan 10.

 Fungsi Aktivasi (Transfer function)

Pada penelitian ini digunakan tangent sigmoid

2. Parameter nilai untuk melatih jaringan.

 Show

Pada penelitian ini digunakan nilai 25.  Epochs

(10)

 Goal

Pada penelitian ini digunakan nilai goal yang bervariasi yang akan

ditampilkan pada proses pengolahan data.  Min_grad

Pada penelitian ini digunakan minimum gradient 1e-05.  Max_fail

Pada penelitian ini digunakan maximum fail 100.

 Mu

Pada penelitian ini digunakan nilai mu yang bervariasi yang akan

ditampilkan pada proses pengolahan data.  Mu_dec

Pada penelitian ini digunakan nilai mu_dec yang bervariasi yang

akan ditampilkan pada proses pengolahan data.  Mu_inc

Pada penelitian ini digunakan nilai mu_inc yang bervariasi yang

akan ditampilkan pada proses pengolahan data.  Mu_max

Pada penelitian ini digunakan mu_max 10.000.000.000.

IV.3 Proses Running Program Artificial Neural Network

Dalam proses running program neural network, dilaksanakan sebanyak 4

variasi neuron. Untuk menentukan nilai optimum dari tiap neuron hidden layer,

(11)

langkah-langkah pengolahan data dengan menggunakan nilai optimum pada

neuron 3.

1. Buka program Matlab, lalu masukkan data input dan data target ke menu

Workspace, lalu ketikkan “nntool” pada menu Command Window.

Gambar 4.1 Tampilan Awal Program Matlab

2. Lalu tekan enter, maka akan keluar window program Neural

(12)

Gambar 4.2 Tampilan Awal Neural Network

3. Klik Import, lalu masukkan data input dan data target

sebagai pengenalan terhadap jaringan.

Gambar 4.3 Tampilan menu Import to Network/Data Manager

4. Kembali ke menu Neural Network, kemudian klik New.

(13)

5. Masukkan parameter-parameter untuk membuat jaringan.

Gambar 4.5 Tampilan Menu Create Network or Data

6. Kemudian klik Create, lalu tutup menu Create Network or

Data. Klik network 1, maka akan muncul menu “Network: network 1”

yang berisi menu view, train, simulate, adapt, reinitialize weights dan

view/edit weights. Pada menu View dapat kita lihat gambar proses

pengolahan data input = 8, hidden layer = 3, output layer = 1 dan output =

(14)

Gambar 4.6 Tampilan menu View

7. Klik menu Train, lalu masukkan data input dan data target

pada submenu Training Info sebagai data yang akan diproses.

Gambar 4.7 Tampilan Menu Train, Training Info

8. Klik submenu Training Parameters, lalu masukkan nilai

parameter yang telah ditentukan untuk mengolah data.

(15)

9. Klik menu Simulate, kemudian masukkan data input.

Gambar 4.9 Tampilan menu Simulate

10. Klik menu Adapt, masukkan data input dan data target.

(16)

11. Kembali ke menu Train, bagian Training Parameters lalu

klik Train Network. Maka akan muncul proses training Neural Network.

Gambar 4.11 Tampilan menu Neural Network Training (nntraintool)

(17)

Gambar 4.12 Tampilan menu Performance

13. Klik menu Plots Regression.

Gambar 4.13 Tampilan menu Regression

14. Hasil simulasi diperlihatkan pada window Neural Network,

pada bagian menu Output Data yang bernama network1_outputs.

(18)

Network1_outputs menunjukkan hasil data dalam bentuk baris yang

jumlahnya sama dengan jumlah data target yang diproses, yaitu sebanyak

110 data. Data tersebut kemudian harus diklasifikasikan dalam bentuk

kolom agar lebih mudah diperiksa.

IV.3.1Proses Pengolahan Data

Proses pengolahan data dilakukan dengan cara melakukan training

beberapa kali untuk mendapatkan nilai keakuratan terhadap jaringan. Setelah

dilakukan running Neural Network, maka proses pengolahan data pada neuron 3,

6, 8 dan 10 akan ditampilkan dalam bentuk hasil optimumnya, yaitu dalam bentuk

(19)

1. Neuron 3

Plot Performance (1278.0222)

Gambar 4.15 Tampilan menu Performance Plot Regression (0.84508)

(20)

2. Neuron 6

(21)

3. Neuron 8

Plot Regression (0.87115)

(22)

4. Neuron 10

(23)

IV.3.2 Tabel Hasil Simulasi Artificial Neural Network

Tingkat keakuratan hasil kinerja Neural Network dilihat dari nilai

regression tertinggi pada tiap neuron yang telah diolah, kemudian dipilih nilai

yang tertinggi antar semua neuron tersebut. Maka hasil dari proses pengolahan

data pada neuron 3, 6, 8 dan 10 ini, beserta nilai parameternya, dapat kita lihat

secara ringkas dan jelas pada tabel hasil simulasi berikut ini:

Tabel 4.1 Hasil simulasi pada jaringan dengan neuron 3 pada hidden layer

Neuron 3

Tabel 4.2 Hasil simulasi pada jaringan dengan neuron 6 pada hidden layer

(24)

Tabel 4.3. Hasil simulasi pada jaringan dengan neuron 8 pada hidden layer

Tabel 4.4 Hasil simulasi pada jaringan dengan neuron 10 pada hidden layer

Neuron 10

Dapat dilihat bahwa nilai optimum dari Regression didapatkan dengan cara

melakukan training lebih dari sekali.

 Pada neuron 3 didapatkan nilai optimum pada training ke 4.

(25)

IV.3.3 Grafik Hasil Simulasi Artificial Neural Network

Hasil simulasi dalam bentuk grafik ditampilkan pada gambar berikut:

1. Grafik Neuron 3

Sumber: Hasil Analisa Neural Network

Gambar 4.23 Grafik simulasi R dengan MSE pada Neuron 3

(26)

3. Grafik Neuron 8

(27)

IV.3.4 Hasil Output Artificial Neural Network Terhadap Nilai Stabilitas Marshall

1. Neuron 3

Tabel 4.5 Hasil Output Neuron 3

(28)

19 _961.9529 38 _894.104 57 _973.4782

(29)

2. Neuron 6

(30)

20 _996.8831 40 _994.9928 60 _994.5639

Sampel Output Sampel Output Sampel Output

(31)

3. Neuron 8

(32)

20 _1010.985 40 _994.2861 60 _989.0363

(33)

4. Neuron 10

(34)

20 _1005.809 40 _999.2675 60 _974.7635

(35)

IV.3.5 Perbandingan Nilai Stabilitas Marshall AMP Karya Murni dengan

Artificial Neural Network

Membandingkan koefisien relatif maksimum pada tabel 1 sampai 4 yang

menunjukkan bahwa kemampuan jaringan saraf tiruan telah didapatkan pada

jaringan RTP8-5 dengan 8 neuron di hidden layer (R = 0.87115), jadi nilai

optimum untuk neuron hidden layer telah dipilih yaitu neuron 8. Berdasarkan

pada penelitian ini, hasil menunjukkan bahwa kemampuan Neural Network

terhadap jaringan adalah sangat sensitif untuk pelatihan error. Maka, menentukan

kemampuan Neural Network membutuhkan desain dan latihan dari berbagai jenis

jaringan.

Perbandingan nilai aktual dari stabilitas marshall dengan nilai hasil

pengolahan data dengan Neural Network pada neuron 8 (R = 0.87115), akan

(36)

Tabel 4.9 Data Aktual Stabilitas Marshall Dengan Data Simulasi Neuron 8

Data Aktual Data Simulasi Neuron 8

Sampel Output Sampel Output

(37)

19 ₉₅₉ 19 _989.5069

(38)

(39)

(40)

(41)

101 959 101 968.5955

102 871 102 889.363

103 900 103 915.1298

104 930 104 930.2455

105 944 105 961.8772

106 974 106 954.8377

107 930 107 932.6105

108 959 108 958.1131

109 930 109 953.2806

(42)

(43)

Gambar 4.27 Kurva Grafik Data Neuron 8 (hasil simulasi) dengan Data Aktual.

BAB V

KESIMPULAN DAN SARAN

V.1 Kesimpulan

Dari hasil analisis dan hasil pembahasan terhadap hasil-hasil percobaan

dapat disimpulkan beberapa hal sebagai berikut:

1. Kemampuan Artificial Neural Network pada semua jaringan untuk melatih

error merupakan suatu perhitungan yang sensitif. Seperti ditunjukkan pada

gambar 4.23 sampai 4.26 dan tabel 4.1 sampai 4.2, sebuah perubahan yang

sangat kecil pada pelatihan error (MSE) dapat menyebabkan sebuah

variasi yang besar terhadap kemampuan simulasi (R).

2. Berdasarkan perbandingan kemampuan simulasi maksimum dari gambar

4.23 sampai 4.26, kemampuan penyamarataan maksimum (R=0.87115)

telah dihasilkan pada RTP8-5 dan 8 neuron pada hidden layer.

Perbandingan kemampuan penyamarataan maksimum sebuah jaringan

telah dibuktikan pada gambar 4.23 sampai 4.26, dengan meningkatkan

angka pada neuron di hidden layer hingga mencapai 8, kemampuan

penyamarataannya juga meningkat.

3. Berdasarkan pengembangan model Artificial Neural Network dan

kesesuaian pada bentuk variasi stabilitas marshall untuk aspal beton

(44)

diambil kesimpulan bahwa stabilitas marshall tidak dipengaruhi oleh satu

parameter saja, tetapi berpengaruh terhadap setiap parameter atau

campuran yang membentuk aspal tersebut.

V.2 Saran

Beberapa hal yang dapat menjadi saran sehubungan dengan hasil

penelitian ini adalah sebagai berikut:

1. Penelitian ini merupakan suatu metode lain yang digunakan untuk

menentukan stabilitas marshall dengan cara meramalkan nilai stabilitas

marshall yang akan terjadi jika menggunakan parameter atau bahan

campuran yang sama.

2. Penganalisaan terhadap penggunaan neural network toolbox serta

pengaruh dari banyak faktor seperti tipe agregat, filler, penambahan zat

aditif dan angka untuk data pelatihan, dapat dijadikan sebagai penelitian